基于预训练模型的域增量学习双重巩固方法

基于摘要分析。本文研究基于预训练模型的 Domain-Incremental Learning（DIL，域增量学习）：模型依次适应新域时，更新可能覆盖已有表征与分类器知识，造成灾难性遗忘。作者提出 DUal ConsolidaTion（Duct），在表征和分类器两个层面巩固历史知识，使模型能够兼顾已见域。 表征层面，Duct 合并不同学习阶段的骨干，逐步构建适用于多个域的表征空间。分类器层面，作者利用类别级语义信息，在最新嵌入空间中估计旧域的分类器权重，再合并历史与估计分类器，以缓解巩固后的嵌入与分类器之间的失配。其可核对的方法特点是：不仅保留历史表征，还显式处理表征变化后的分类决策对齐。骨干合并方式、语义信息来源、权重估计公式及训练和推理流程尚未验证。 作者报告 Duct 在四个基准数据集上达到最先进性能，但摘要未提供数据集名称、指标数值、域序列、数据划分和对照基线，尚不能判断优势幅度及适用条件。实验协议、消融及统计信息尚未验证。摘要提供了代码仓库，但实现与复现条件尚未核查；不能由仓库名称推断论文录用状态。 平台推测（待验证）：若 EEG 场景具有一致任务和类别定义，并按被试或会话形成连续域序列，双重巩固可能对应跨被试、跨会话更新中的遗忘及表征—分类器失配。可复用的候选模块是历史骨干合并与分类器重对齐；需改造 EEG 输入编码，并明确类别语义信息如何获得。该假设依赖可合并的骨干、可对应的类别和适用的预训练表征，原领域有效不等于 BCI 有效。低信噪比、通道差异及小数据可能导致合并后表征退化或分类器估计不稳。一个可检验的小实验是在固定通道和类别的跨会话 EEG 序列中，对比顺序微调、仅骨干巩固与完整 Duct，分别评估新会话和历史会话的同一指标。已有 EEG 相关工作尚未检索确认。